Практически все в природе связано друг с другом либо напрямую, либо опосредованно. Межвидовое взаимодействие проявляется как в пищевых цепочках, так и в симбиотических отношениях. Проще говоря, какой-то конкретный вид существ является источником пользы для другого вида. Даже паразиты, которые по существу своему являться, грубо говоря, эгоистами, также несут некую пользу в контроле популяции. Существа, которые человеком считаются вредителями, также имеют значение, но это понимания этого их вред не становиться менее ощутимым. Это утверждение подходит и для комаров, которые служат пищей для многих организмов (рыбы, птицы, летучие мыши, стрекозы и т. д.). Для нас же комар — это назойливый кровосос, который может быть разносчиком крайне опасных заболеваний. Чтобы лучше бороться с комарами, необходимо полностью понимать их поведение, в частности то, как они «видят» цель, т. е. нас в процессе полета. Ученые из Технологического института Джорджии (Атланта, Джорджия, США) провели исследование, в котором определили параметры, влияющие на поведение комаров, и расшифровали их полет. Как ученые получили эти данные, о чем они говорят, и как могут помочь в сокращении риска заражения переносимыми комарами заболеваниями. Ответы на эти вопросы мы найдем в докладе ученых.

Основа исследования

Комаров часто называют самыми опасными животными в мире, поскольку они переносят такие заболевания, как малярия, лихорадка денге, желтая лихорадка и вирус Зика, которые в совокупности ежегодно приводят к более чем 770000 смертей. Среди 3500 видов комаров около 100 видов эволюционировали как антропофильные, то есть они предпочитают нападать на людей. Aedes aegypti — один из таких антропофильных видов комаров, и самки используют набор сигналов для обнаружения человека. Эти сигналы в основном тестировались в аэродинамических трубах, где поток воздуха переносит химические сигналы, такие как молекулы запаха и углекислый газ, по ветру. На расстоянии до 10 м по ветру выделяемый углекислый газ запускает полет комара к хозяину, снижает порог обнаружения запахов кожи и улучшает его навигацию к визуальным целям. Помимо химических сигналов, визуальные стимулы могут направлять полет комара на расстояние до нескольких метров от хозяина. При непосредственном контакте с хозяином такие сигналы, как запах кожи, тепло и влажность, помогают комару приземлиться и выбрать место для поиска капилляров. Несмотря на десятилетия исследований, механизм интеграции этих сигналов комарами для обнаружения хозяев остается малоизученным. Из-за неспособности предсказать поведение комаров в полете, широко используемые устройства, такие как вакуумные ловушки, эффективны лишь на 10–50% в отлове приближающихся комаров. Улучшенное понимание поведения комаров в полете и поиске хозяина может помочь в разработке более эффективных стратегий борьбы с болезнями, передаваемыми насекомыми, а также в создании инфраструктуры, устойчивой к комарам, в частных и общественных местах.

Предыдущие исследования поведения комаров в поисках хозяина обычно ограничивались небольшим количеством зафиксированных комаров или комаров, летающих в аэродинамических трубах. В этих исследованиях часто приводятся статистические данные по различным показателям, размеченным вручную, таким как количество и места посадки комаров, а не предоставляется непрерывная информация о полете. Однако траектории полета имеют решающее значение для понимания поведения комаров в поисках хозяина, поскольку комары используют интегрированный по времени отклик своих сенсорных данных для принятия решения о поиске хозяина. Более того, глаза комаров ограничивают разрешение и расстояние, на котором они могут различать визуальные стимулы. Для получения трехмерной сенсорной информации и 3D траекторий полета необходим подход, основанный на данных, из-за размера и размерности получаемых наборов данных. Идентификация интерпретируемых биофизических моделей полета комаров на основе данных не только существенно улучшит понимание поведения комаров при поиске хозяина в реалистичных условиях окружающей среды, но и может обеспечить основу для проверки концепции идентификации моделей у других роящихся и нероящихся видов, таких как пчелы, муравьи, скворцы и люди.

В рассматриваемом нами сегодня труде представлена такая основа, объединяющая эксперименты по 3D-отслеживанию с байесовским выводом динамических систем.

Для создания основной базы данных различных типов поведения комаров в полете были проведены эксперименты по 3D-отслеживанию самок комаров Ae. Aegypti, взаимодействующих с визуальными сигналами и сигналами CO2, как по отдельности, так и в сочетании. Поскольку комары рода Aedes процветают в городских районах, эксперименты проводились в относительно безветренных условиях, типичных для жилищ с закрытыми окнами. В ходе 20 экспериментов было зарегистрировано более 53 миллионов точек данных и более 400 тысяч траекторий движения комаров, что превосходит большинство предыдущих попыток количественного измерения поведения комаров. Был применен разреженный байесовский вывод динамических систем для обучения количественных моделей поведения комаров непосредственно на основе траекторий их полета. Этот метод, основанный на анализе данных, позволяет создать прогностическую динамическую модель, используя только непрерывные данные о полете, и при этом вычислять различные интересующие ученых поведенческие характеристики.

Результаты исследования

Отслеживание 3D-траекторий движения комаров

Изображение №1

Эксперименты проводились при температуре 28 °C и влажности 45% внутри трапециевидной сетчатой камеры глубиной 5 м (1A). Напротив камеры располагалось устройство мониторинга с помощью фотонного забора (PFMD от photonic fence monitoring device), представляющее собой набор из двух инфракрасных камер, окруженных инфракрасными светодиодами с длиной волны 850 нм. Светодиоды освещают камеру на светоотражающем фоне, что позволяет двум камерам получать стереоскопические изображения положения насекомых в пространстве с разрешением 0.01 с. Комары выпускались перед камерой, а различные мишени (человек, сферы из вспененного полистирола и источники углекислого газа) размещались на расстоянии 8 м от камеры.

Видео №1

В знак уважения к экспериментам Брауна 1951 года с манекенами в темной одежде, ученые сначала применили PFMD для получения изображений траекторий комаров вокруг человека в темной одежде (1A и 1B). В этом эксперименте система отслеживала 50 комаров в течение 20 минут с временным разрешением 0.01 с и записала 22 тысячи позиционных траекторий комаров в 3трехмерном пространстве. Траектория представляет собой сегмент полного пути полета одного комара со средней продолжительностью 0.9 с. Хотя не было возможным напрямую измерить места посадки комаров, поскольку траектории теряются, когда комар перестает двигаться или пролетает в пределах силуэта человека, эксперимент показывает, что комары Ae. aegypti в основном нацелены на голову человека (1B и видео №1), что согласуется с предыдущими исследованиями мест посадки. Как показано более темными цветами траекторий на 1B, комары замедляются вблизи головы и тела человека, что свидетельствует о подготовке к посадке. Сложные трехмерные траектории отражают реакцию комаров на многочисленные обнаруженные сигналы.

Видео №2

Чтобы продемонстрировать важность визуальных сигналов в безветренную погоду, ученые отслеживали комаров вокруг человека, одетого в «костюм Януса», левая сторона которого была белой, а правая — черной. Как видно на фронтальном и верхнем ракурсах, траектории в основном сосредоточены на черной стороне, несмотря на то, что другие сигналы, такие как углекислый газ и запах, остаются симметричными (1C и видео №2). Из-за сложности оценки сигналов вокруг человека ученые решили отойти от экспериментов с людьми и перейти к экспериментам с использованием простых объектов, которые предоставляют индивидуальные сигналы. Эти контролируемые эксперименты позволяют упростить формулировку характеристик свободного полета и создать минимальную модель поведения Ae. aegypti в ответ на индивидуальные сигналы.

Изучение динамических моделей полета комаров

Для моделирования поведения комаров в полете рассматривалась стохастическая динамика Ланжевена.

где f — детерминированная сила (на единицу массы тела комара), зависящая от пространственного положения r комара и его скорости полета v, и отражающая как внутреннюю активную силу свободного полета, так и реакцию комара на сигналы окружающей среды. Член гауссовского белого шума (ξ) учитывает случайные флуктуации и удовлетворяет условию ⟨ξ(t)ξ(t’)⟩ = Δiδ(t − t’), где I — единичная матрица, а Δ характеризует величину шума. Чтобы построить модель поведения комара в полете на основе данных, неизвестные силы f(r, v) аппроксимировались с помощью разложения по базисным функциям (1D)

где θμ представляет собой ортогональный векторный базис, а μ — это отдельный индекс или кортеж индексов базиса. Коэффициенты wμ кодируют всю информацию о поведении комара, причем каждый экологический сигнал соответствует отдельному набору wμ. Это линейное разложение в уравнении выше упрощает задачу обучения поведению, сводя ее к задаче линейной регрессии.

Для определения wμ на основе данных использовался байесовский подход для нахождения наиболее вероятных коэффициентов w*μ, которые максимизируют апостериорную вероятность P({wμ}∣{ri(t), vi(t)} wμ при условии экспериментальных траекторий, где i обозначает индекс траекторий отдельных комаров {ri(t), vi(t)}. В байесовской статистике апостериорная вероятность пропорциональна произведению двух компонентов (1C): функции правдоподобия P {ri(t), vi(t)}∣{wμ} наблюдаемых траекторий при условии коэффициентов {wμ} и априорной вероятности P {wμ}, отражающей предпочтение желаемых коэффициентов {wμ}. Предполагая, что каждый след комара независим, и пренебрегая взаимодействиями между комарами, которые, как было обнаружено, незначительны, уравнение №2 дает многомерную гауссову функцию правдоподобия.

Чтобы предотвратить переобучение на зашумленных данных, накладывалась разреженность на {wμ}, отдавая предпочтение экономному представлению гладких функций f(r, v) с небольшим количеством ненулевых wμ. Следуя предыдущим работам по разреженному байесовскому выводу, было использовано гауссовское априорное распределение, способствующее разреженности: P (wμ) ∝ exp (− (w2μ / 2σ2μ)), где гиперпараметры дисперсии σ2μ контролируют степень разреженности в {wμ}. Для оценки коэффициентов w*μ, величины шума Δ* и гиперпараметров σ2μ использовался алгоритм ожидания-максимизации, который итеративно максимизирует апостериорное распределение и уточняет параметры модели.

Для исследования ряда моделей-кандидатов с различной степенью разреженности применялась последовательная пороговая обработка к w*μ, постепенно исключая коэффициенты с малыми абсолютными значениями. Хотя включение большего количества членов в разложение в уравнении №2, как правило, улучшает соответствие данным, чрезмерно сложные модели могут улавливать шум в данных, а не истинные лежащие в основе силы f(r, v), и демонстрировать низкую прогностическую способность. Таким образом, для определения модели с оптимальной разреженностью использовался байесовский информационный критерий (BIC от Bayesian information criterion) для выбора модели, которая наилучшим образом объясняет данные с наименьшим количеством членов в уравнении №2. Ученые проверили свой алгоритм идентификации моделей на синтетических данных траекторий полета комаров. Ниже этот алгоритм применяется к экспериментальным данным, чтобы выявить динамические модели поведения комаров в полете.

Режимы полета комаров Ae. aegypti

Изображение №2

Сначала модель обучения и выбора была продемонстрирована на экспериментальных траекториях свободно летающих комаров в отсутствие сенсорных стимулов (графики выше). Ученые снимали 50 комаров в течение 20 минут в пустой комнате. Для моделирования поведения в полете рассматривалось три силы, действующие на комара: тяга в направлении полета (v), постоянная гравитационная сила и левитационная сила в направлении z, которая противодействует гравитации. В действительности у комара есть система управления, основанная на визуальном восприятии, которая активно корректирует его полет. Тем не менее результаты показывают, что наилучшая обученная модель включает постоянную левитационную силу, которая точно уравновешивает гравитационную силу, что предполагает минимальное предпочтение направления полета ±z. Поэтому эти две силы в последующем анализе были проигнорированы. Это упрощает уравнение Ланжевена для свободного полета до dv/dt = α(v)v + ξ (2A), где полученная тяга α(v)v соответствует силе, выведенной из потенциала скорости U(v) с α(v) = −U’(v)/v.

Для дальнейшего изучения изменчивости поведения было проведено обучение на отдельных траекториях и проецирование коэффициента тяги α(v) на две наиболее релевантные базисные функции. Полученные коэффициенты выявили два отдельных кластера: один соответствует «активному» состоянию полета, а другой — «холостому» состоянию (2B). В активном состоянии комар стремится поддерживать постоянную скорость полета ~0.7 м/с, при этом он ускоряется (положительное α), если его скорость полета слишком низкая, и замедляется (отрицательное α), если его скорость слишком высокая (2C). Скорость полета в активном состоянии согласуется с экспериментальными значениями (от 0.4 до 1.8 м/с), измеренными для других видов комаров.

Холостое состояние соответствует движению по типу брошенного тела с произвольной начальной скоростью; комар не пытается поддерживать базовую скорость посредством ускорений или замедлений с нулевым α(v) (2D), позволяя начальной скорости и шуму определять динамику полета. В активном состоянии наблюдается более высокая средняя скорость (2E), более сильный обучающий шум (2F) и большая продолжительность траектории (2G), чем в холостом состоянии. Это позволяет предположить, что активное состояние может отражать исследовательское поведение, тогда как холостое соответствует подготовке к посадке. Холостое состояние чаще наблюдается на траекториях вблизи потолка камеры.

Для проверки полученной модели было выполнено моделирование изученных динамических уравнений с теми же начальными условиями, что и экспериментальные данные. Смоделированные траектории (внизу на 2A) качественно напоминают наблюдаемые траектории (вверху на 2A). Для дальнейшей количественной оценки сходства вычислялись три статистических показателя с временной задержкой, ⟨S(t, t + τ)⟩, которые сравнивают две точки времени вдоль траектории, разделенные временной задержкой τ (2H–2J): среднеквадратичное смещение (MSD от mean squared displacement), определяемое как Sr(t, t + τ) = ∣r(t) − r(t + τ)∣2, направленную корреляцию, определяемую как Sv(t, t + τ) = v(t) ⋅ v(t + τ), и корреляцию скорости, определяемую как Sv(t, t + τ) = [v(t) − ⟨v⟩] [v(t + τ) − ⟨v⟩]. Здесь ⟨⋅⟩ обозначает среднее значение по всем точкам времени (t) всех траекторий.

Среднеквадратичное смещение как смоделированных, так и наблюдаемых траекторий показывает баллистический полет с короткими задержками, за которым следует переход к более диффузному движению примерно при τ = 1 с (2H). Однако экспериментальные траектории недостаточно длинны, чтобы полностью воспроизвести диффузное поведение за пределами этого временного масштаба. Направленная корреляция полета комара приблизительно следует экспоненциальному затуханию e−τ∕τd (2I), представляя собой прямолинейный полет в течение коротких временных интервалов перед поворотами после τd ≈ 1.3 с. Корреляция скорости уменьшается до нуля с увеличением времени задержки, что характерно для уравнения Ланжевена. Экспериментальная корреляция скорости демонстрирует кратковременные колебания, которые могут быть обусловлены ограничениями процедуры отслеживания, а не отражать истинное поведение насекомых (2J). Тесное соответствие между экспериментальными данными и результатами моделирования демонстрирует, что разработанная система обучения надежно оценивает уравнение Ланжевена и поведенческие силы, управляющие динамикой полета комаров в отсутствие сенсорных сигналов.

Реакция на визуальные сигналы и CO2

Установив основу для понимания поведения комаров, далее ученые добавили в окружающую среду привлекающие сигналы. В данной работе — визуальные сигналы и сигналы CO2.

Изображение №3

В качестве привлекающей мишени для комаров использовалась сфера диаметром 8 дюймов (≈0.2 м), установленная на белом шесте. Для минимизации краевых эффектов сфера помещена в центр камеры (3A). В качестве визуальной мишени используется черная сфера из-за ее высокого контраста с окружающими белыми стенками. Мишенью для CO2 является белая сфера с трубками, выпускающими CO2 со скоростью 0.24 л/мин, что сопоставимо со скоростью выброса CO2 при дыхании человека. Состояние комара описывается его смещением (d) от сферической мишени и скоростью тела (v) (3B). Скалярное произведение v ⋅ d представляет ориентацию полета комара, причем v ⋅ d = −1 указывает на полет прямо к мишени (taxis), а v ⋅ d = 1 указывает на полет от мишени. Для визуализации траекторий полета комаров вокруг мишени представлены тепловые карты плотности траекторий на различных расстояниях до цели, скоростях полета и ориентации полета (3C и 3F).

Данные показывают различные модели полета комаров в ответ на визуальные сигналы или сигналы CO2. Сначала было рассмотрено telotaxis (движение к) визуальному сигналу (слева на 3C). Размытая желтая область на тепловой карте плотности показывает более медленных комаров, сконцентрированных в зоне радиусом 0.4 м от цели. Когда расстояние превышает примерно 0.4 м, распределение скорости возвращается к базовому уровню, наблюдаемому в отсутствие стимула (2E), что согласуется с диапазоном видимости комара, рассчитанным на основе минимального разрешимого угла его глаза в 12.3°.

Видео №3

Полет комара приблизительно двунаправленный, при этом комары движутся непосредственно к визуальной цели или от нее, как показано плотностью траекторий, сконцентрированной вокруг двух зон (посередине и справа на 3C). Ученые интерпретировали движение от цели как ее отторжение в отсутствие необходимых сигналов — таких как запах тела, влажность и тепло — которые могли бы побудить комаров к посадке и кровососанию. Более детальное изучение траекторий (5E) показывает, что, хотя комары и привлекаются к визуальной цели, они часто совершают «пролет» и не всегда взаимодействуют с ней из-за отсутствия дополнительных сигналов, связанных с хозяином (видео №3). Тем не менее один только визуальный сигнал может привлечь большое количество комаров.

Видео №4

При воздействии сигнала CO2 комары совершают «двойные повороты» или кувырки с уменьшенной скоростью и увеличенным вращением, что позволяет им оставаться в непосредственной близости от цели (5H и видео №4). Эти кувырки не имеют направленной предпочтительности, при этом v ⋅ d равномерно распределено между −1 и 1 (посередине и справа на 3F). Таким образом, вызванные CO2 кувырки представляют собой форму кинеза (т. е. ненаправленной реакции), которая в данном случае увеличивает концентрацию комаров вблизи цели относительно концентрации визуального сигнала (слева на 3F). Комары могут ощущать концентрацию CO2 всего в 103 частей на миллион. Численное моделирование экспериментальной установки показывает, что зона обнаруживаемого CO2 простирается на 0.5 м от источника, что согласуется с наблюдением увеличения плотности комаров в пределах 0.3 м от цели.

Для моделирования реакции комара на сенсорные сигналы ученые разложили поведенческую силу:

на две составляющие, изображенные на 3B: продольную силу f∥ вдоль направления полета v и поперечную силу f⊥. Продольная сила f∥ представляет собой «дроссель» комара, причем положительные и отрицательные значения соответствуют ускорению и замедлению соответственно в направлении движения комара. Поперечная сила f⊥ представляет собой поворот комара, причем отрицательные значения указывают на поворот к цели, а положительные значения — на поворот от нее. f⊥ и f∥ были разложены на базисные функции, заданные тензорными произведениями одномерных скалярных функций v, d и v ⋅ d, после чего применялся байесовский вывод для оценки величин сил.

Изученные силы представляют собой различные реакции на визуальные сигналы и сигналы CO2. В ответ на визуальные сигналы продольная сила f∥, показанная на наложенных тепловых картах на 3D (посередине), напоминает потенциальную силу скорости, при этом предпочтительная скорость обозначена белыми областями тепловой карты, где f∥ = 0, и постепенно уменьшается по мере приближения комаров к цели. Поперечная сила f⊥, показанная на 3D (справа), переориентирует комаров к визуальной цели, когда они находятся далеко от нее, но отводит их, когда они находятся слишком близко, вероятно, для предотвращения столкновений и облегчения отлета, если не обнаружены дополнительные привлекающие сигналы.

Видео №5

Видео №6

Напротив, в ответ на сигналы CO2 (3G) f⊥ значительно слабее, чем его аналог для визуальных сигналов, демонстрируя обширные белые области, указывающие на f⊥ ≈ 0 по всей длине. Сила f∥ соответствует замедлению, снижению скорости с 0.7 до 0.2 м/с, когда расстояние до источника CO2 падает ниже 0.4 м. Одного этого замедления достаточно, чтобы объяснить более высокую концентрацию следов комаров вблизи стимулов CO2. Моделирование изученных моделей количественно соответствует экспериментальным данным, включая распределение плотности вокруг стимулов (3E и 3H), двунаправленный полет к визуальному сигналу или от него (5D-5F и видео №5), а также кувыркание вблизи источника CO2 (5G-5I и видео №6). Это согласие дополнительно подтверждается оценкой симметричных расстояний Кульбака-Лейблера между экспериментальными и смоделированными распределениями траекторий, которые меньше, чем расстояния между экспериментальными данными и соответствующими им наилучшими гауссовыми аппроксимациями (3E и 3H). Таким образом, данная модель предоставляет мощный инструмент для обучения количественным моделям поведения комаров в ответ на индивидуальные сигналы.

Объединение визуальных сигналов и сигнала CO2

Изображение №4

Как комары реагируют на комбинированные сенсорные стимулы? Чтобы исследовать этот вопрос, ученые отслеживали трехмерные траектории движения комаров вокруг черной сферы, выпускающей CO2 (4A), представляющие собой комбинированные визуальные и CO2 сигналы. Плотность траекторий движения комаров более сконцентрирована вокруг мишени по сравнению с экспериментами, в которых использовались только визуальные или только CO2 сигналы (слева на 4B), что указывает на более сильное притяжение к комбинированному стимулу. Комары поддерживали скорость полета около 0.5 м/с вблизи мишени, что выше скоростей, наблюдавшихся в тестах с использованием только CO2 или визуальных сигналов. Более того, данные показывают высокую плотность траекторий со скоростью v ⋅ d, близкой к нулю, что указывает на то, что комары с большей вероятностью циркулировали вокруг мишени (справа на 4B). Отдельные траектории дополнительно подтверждают устойчивое орбитальное поведение (5K и видео №7). Эти результаты предполагают, что сочетание визуальных сигналов и сигналов CO2 активирует особое поведенческое состояние, облегчающее комарам поиск мишени.

Видео №7

Для лучшего понимания этого поведенческого состояния были использованы те же методы байесовского вывода, что и раньше, чтобы изучить силы f∥ и f⊥ в ответ на комбинированные сигналы. f∥ демонстрирует признаки реакции на отдельные сигналы (4C). Когда комары летят к цели (отрицательная v ⋅ d), f∥ отражает реакцию только на визуальные сигналы, представляя собой потенциальную силу скорости с уменьшенной скоростью вблизи цели. Когда комары летят от цели (положительная v ⋅ d), f∥ напоминает реакцию только на CO2, демонстрируя переход к чрезвычайно низким скоростям, когда расстояние до цели меньше 0.4 м. Сила f⊥ демонстрирует аналогичную картину, как и при наличии только визуального сигнала: она переориентирует комаров к цели, когда они находятся далеко, и отводит их от цели, когда они находятся в непосредственной близости, но с гораздо большей величиной (4C). Количество членов модели, максимизирующих байесовский информационный критерий как для комбинированных, так и для отдельных сигналов, постоянно составляет около 25. Хотя это число зависит от выбора базисных функций, оно предполагает сопоставимую сложность модели в этих условиях. Моделирование обученной модели количественно отражает распределение плотности следов комаров, наблюдаемое в эксперименте (4D), и воспроизводит поведение роения вокруг цели (5L и видео №8).

Видео №8

Чтобы оценить, можно ли понять реакцию на комбинированные сигналы, суммируя реакции на отдельные стимулы, была проведена неотрицательная линейная регрессия путем аппроксимации известных сил полной реакции линейной суперпозицией flin = α1fvisual + α1fCO2 (4G). Было обнаружено, что f∥,lin = 0.63f∥,visual + 0.39f∥,CO2, что согласуется со смешанными характеристиками индивидуальных реакций в f∥, и f⊥,lin =1.63f⊥,visual + 0.00f⊥,CO2, что согласуется с усиленным паттерном переориентации, вызванным визуальным воздействием, наблюдаемым в f⊥. Однако линейная суперпозиция одной только силы не полностью воспроизводит известные силы в ответ на комбинированные сигналы, с существенными отклонениями между известными и линейно реконструированными силами, особенно в областях, близких к цели (4G). Более того, моделирование с использованием линейно комбинированных сил не позволяет воспроизвести экспериментально наблюдаемую плотность траекторий вокруг целей с комбинированными сигналами. Эти расхождения указывают на то, что реакции комаров на визуальные сигналы и сигналы CO2 не являются аддитивными на уровне усвоенных поведенческих сил и могут включать нелинейную интеграцию и потенциальные взаимодействия между различными сенсорными путями. CO2 не только действует как привлекательная приманка для комаров, но и возбуждает и активирует их, делая более восприимчивыми к другим сигналам.

Изображение №5

Чтобы дополнительно проверить, обобщает ли обученная модель свои данные за пределы обучающей выборки, ученые предсказывали поведение комаров в полете вокруг человека, одетого во все белое, за исключением черного капюшона (4E). Как показано на 4F и 4H, предсказания модели количественно воспроизводят экспериментальную плотность комаров вокруг головы человека, демонстрируя способность модели точно описывать ключевые особенности поведения комаров в реалистичных условиях.

Оценка риска укуса комара

Для предотвращения распространения заболеваний важно отслеживать потенциальный риск укуса, который измерялся как расстояние d50, на котором 50% траекторий комаров концентрируются вблизи привлекательной цели. Таким образом, меньшее значение d50 указывает на более близкое расположение летающих комаров. На 5M и 5N для сферической цели диаметром 8 дюймов показано кумулятивное распределение комаров в зависимости от расстояния до различных целей, как для экспериментальных данных, так и для моделирования с помощью обученных моделей. Значения d50 составляют примерно 0.65 м при отсутствии ориентиров, 0.4 м при наличии визуальных сигналов, 0.25 м при наличии CO2 и 0.2 м при наличии комбинированных визуальных и CO2 сигналов. Тесное соответствие между экспериментальными и смоделированными данными, показанное с помощью расстояния Колмогорова-Смирнова на 5O, еще раз подчеркивает точность разработанной модели в прогнозировании поведения комаров в различных условиях.

Для более детального ознакомления с нюансами исследования рекомендую заглянуть в доклад ученых и дополнительные материалы к нему.

Эпилог

В рассмотренном нами сегодня труде ученые решили детально рассмотреть поведение комаров во время полета вокруг человека, их любимого источника пищи. В результате им удалось создать математическую модель, предсказывающую траекторию полета комаров вокруг человека.

Данное исследование предлагает первую подробную визуализацию поведения комаров в полете и предоставляет измеримые данные, которые могут улучшить методы отлова и борьбы с ними. Помимо назойливости, комары переносят опасные заболевания, такие как малярия, желтая лихорадка и вирус Зика, которые в совокупности ежегодно приводят к более чем 700000 смертей.

Для понимания полета комаров необходимо было в первую очередь его зафиксировать. Для этого ученые использовали 3D-инфракрасные камеры для наблюдения за тем, как насекомые перемещаются вокруг объектов, используя визуальные сигналы и углекислый газ. Затем они поместили человека в контролируемую камеру, изменили цвет его одежды и записали, как комары летали вокруг него.

Данные свидетельствуют о том, что комары не собираются в группы, потому что следуют друг за другом. Вместо этого каждое насекомое реагирует независимо на сигналы окружающей среды, но в итоге они оказываются в одном и том же месте в одно и то же время.

Во время опытов было проведено три варианта наблюдений, когда комарам предоставлялись различные сигналы: только визуальные, только CO2, комбинация обоих. В первом тесте черный шар привлекал комаров, но только когда они уже летели к нему. Достигнув объекта, они обычно не оставались на месте и быстро улетали. Когда черный объект заменили на белый и добавила углекислый газ, комары смогли обнаружить цель, но только на близком расстоянии. Когда одновременно присутствовали черный объект и CO2, эффект был наиболее сильным. Комары роились вокруг, задерживались и пытались питаться.

Ученые также создали интерактивную модель, которая показывает, как комары меняют направление, ускоряются и замедляются в зависимости от визуальных сигналов и CO2. Пользователи могут переключаться между различными условиями, включая цвет, углекислый газ, и то, и другое, или ни то, ни другое, и наблюдать за реакцией до 20 комаров. Платформа также позволяет пользователям загружать собственные изображения в качестве целей.

Ученые уверены, что их работа может быть крайне полезна для создания эффективных методов и инструментов по борьбе с комарами, что может сократить уровень смертности от переносимых ими заболеваний.

Немного рекламы

Спасибо, что остаетесь с нами. Вам нравятся наши статьи? Хотите видеть больше интересных материалов? Поддержите нас, оформив заказ или порекомендовав знакомым, облачные VPS для разработчиков от $4.99, уникальный аналог entry-level серверов, который был придуман нами для Вас: Вся правда о VPS (KVM) E5-2697 v3 (6 Cores) 10GB DDR4 480GB SSD 1Gbps от $19 или как правильно делить сервер? (доступны варианты с RAID1 и RAID10, до 24 ядер и до 40GB DDR4).

Dell R730xd в 2 раза дешевле в дата-центре Maincubes Tier IV в Амстердаме? Только у нас 2 х Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 ТВ от $199 в Нидерландах! Dell R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - от $99! Читайте о том Как построить инфраструктуру корп. класса c применением серверов Dell R730xd Е5-2650 v4 стоимостью 9000 евро за копейки?